Das neue Zeitalter der KI – Grundlagen, Wirkung und Ausblick

Seit OpenAI die Version 3.5 von ChatGPT öffentlich zugänglich gemacht hat, spricht alles über KI. Diese Technologie weckt gewaltige Hoffnungen für die Wirtschaft wie für die Gesellschaft insgesamt – und ebenso tiefe Ängste. Sie verspricht, die Welt weiter zusammenzuführen und jeden Einzelnen an ihrem Nutzen teilhaben zu lassen, birgt aber auch das Risiko, neue Gräben aufzureißen und bestehende zu vertiefen – etwa zwischen technologisch fortgeschrittenen Ländern, Gesellschaftsschichten und Unternehmen auf der einen und technologisch entfernten oder weniger versierten auf der anderen Seite.

Sicher ist heute nur eines: Wir stehen am Anfang einer Entwicklung, die in jeden Lebens- und Geschäftsbereich vordringen wird und die sich in einem Tempo vollzieht, das wir in der gesamten Geschichte der Menschheit noch nie erlebt haben. Es ist und bleibt eine große Aufgabe, diese Entwicklung so zu steuern, dass wir langfristig das Beste aus ihr herausholen – und Probleme und Gefahren abwenden, die sich nur schwer wieder in den Griff bekommen lassen.

Dieser erste Artikel – weitere werden folgen – soll Ihr Verständnis für diese Entwicklung schärfen und Sie und Ihr Unternehmen auf die wilde Fahrt vorbereiten.

Was ist Künstliche Intelligenz?

KI ist an sich nichts wirklich Neues. Den Begriff der Künstlichen Intelligenz (Artificial Intelligence) führte John McCarthy bereits 1956 auf der Dartmouth Conference ein, die als Ausgangspunkt der KI als Forschungsgebiet gilt. Er beschreibt Algorithmen und Modelle, mit denen Computer Aufgaben erledigen, für die üblicherweise menschliche Intelligenz nötig ist.

Vor allem Alan Turing und Isaac Asimov haben sich schon Jahre vor der Dartmouth Conference mit dem Thema befasst. Es ist schließlich eine alte Fantasie des Menschen und ein ebenso großer Wunsch, Wesen zu schaffen, die unsere Arbeit für uns erledigen – und uns als große Schöpfer bestätigen.

Die Entwicklung der KI 

1) Die Vergangenheit

Die Entwicklung der KI verlief holprig – immer wieder getrieben von großen Hoffnungen und immer wieder geprägt von Enttäuschungen. Nach den ersten theoretischen Überlegungen von Alan Turing – der den Turing-Test entwarf, mit dem sich entscheiden lassen sollte, ob eine Maschine selbst denken kann, oder genauer: ob sich das Denken einer Maschine von dem eines Menschen unterscheiden lässt – und von Isaac Asimov, der darüber nachdachte, wie sich mit einfachen Regeln sicherstellen ließe, dass ein Automat oder Roboter Menschen nicht schadet, begannen 1956 viele Wissenschaftler, an KI zu arbeiten.

Dieses sogenannte Goldene Zeitalter der KI war von großen Erwartungen getragen und hatte große Ziele. Die Krönung sollte ein Computer sein, der das gesamte Wissen der Menschheit besitzt und auf dieser Grundlage alle Fragen und Probleme der Menschheit lösen kann.

Es zeigte sich jedoch, dass Wissenschaftler und Entwickler nicht einmal für einfache Probleme eine Lösung fanden. Brauchbare automatische Übersetzungen gelangen ihnen ebenso wenig wie die Erkennung gesprochener Sprache. 1973 sagte der Lighthill-Report voraus, dass Maschinen stets auf dem Niveau eines erfahrenen Amateurs bleiben würden. Das zerstörte große Hoffnungen, die KI-Forschung wurde nicht mehr finanziert, und bis 1980 herrschte der sogenannte KI-Winter.

2) Die Gegenwart

Entwicklungen etwa in der Computertechnik und die immer größere Menge leicht zugänglicher Daten, nicht zuletzt durch den Erfolg des Internets, hauchten der KI-Forschung ab etwa 1980 neues Leben ein. Spätestens 1997, als die IBM-KI Deep Blue den damaligen Schachweltmeister Kasparov in einem viel beachteten Turnier Mensch gegen Maschine schlug, war die KI wieder auf der Weltbühne angekommen. Große Unternehmen wie IBM, Google und Apple begannen bald, erheblich in die KI-Forschung zu investieren. Daraus entstanden Anwendungen wie Siri, IBM Watson, Autokorrektur-Funktionen, automatische Musikempfehlungen von Spotify oder der Staubsaugerroboter Roomba von iRobot.

Mit immer schnelleren Rechnern und immer größeren verfügbaren Datenmengen hat sich diese Entwicklung beschleunigt, blieb aber nicht ohne Enttäuschungen. Auf Basis von Watson hat IBM zum Beispiel die Spracherkennung beherrscht und diese Fähigkeit 2011 mit dem Sieg in der amerikanischen Show Jeopardy eindrucksvoll gezeigt; in anderen Feldern wie der Medizin hat das KI-System die Erwartungen jedoch enttäuscht.

Der nächste Durchbruch kam mit einem völlig neuen Lernansatz für die KI-Algorithmen: Sie sollen ihre Entscheidungen nicht auf einer möglichst breiten Datenbasis treffen, sondern erhalten nur die Grundregeln für ein Problem und finden die besten Lösungen dann in iterativen Versuchen selbst – mit jeder Iteration ein Stück näher an der besten Lösung.

Der große Vorteil dieses neuen Ansatzes, bekannt als Deep Learning: Er lässt sich auf jedes Problem anwenden. Wie leistungsfähig er ist, hat Google 2017 mit seinem System AlphaZero gezeigt. Es gab dem System die Grundlagen des Schachs, ließ es trainieren und 100 Partien gegen den damaligen Schachcomputer-Weltmeister Stockfish 7 spielen. Von diesen 100 Partien gewann AlphaZero 28, spielte 72-mal remis und verlor keine einzige. Und für diese Leistung musste AlphaZero nur vier Stunden trainieren.

Seither haben Deep-Learning-Systeme gelernt, Gegenstände und Gesichter in Bildern zu erkennen, aus einer einfachen Beschreibung eigene Bilder und seit Kurzem auch Videos zu erzeugen, die Faltung von Proteinen oder Krebserkrankungen anhand von Röntgenbildern vorherzusagen, Werbetexte und sogar ganze Artikel und Bücher zu schreiben, Programmcode zu verfassen oder Musik zu komponieren.

Und seit OpenAI im November 2022 seine KI ChatGPT 3.5 mit Zugriff auf gewaltige Informationsmengen öffentlich zugänglich gemacht hat, ist diese Technologie endgültig in jedem Klassenzimmer, jedem Büro und wahrscheinlich sogar bei Ihnen zu Hause angekommen.

3) Die Zukunft

Bei einer Technologie, die sich so schnell entwickelt, lässt sich naturgemäß schwer vorhersagen, was die Zukunft bringt. In den Feldern, in denen sie heute schon im Einsatz ist, werden wir jedenfalls rasche Verbesserungen sehen. Die automatisch erzeugten Bilder werden bald kaum noch von Fotografien zu unterscheiden sein, und die KI-Systeme werden immer bessere und längere Videos erzeugen – bald wohl ganze Filme, ganz nach den Vorgaben ihrer Zuschauer. Sie werden immer mehr Aufgaben in der Forschung und in Unternehmen übernehmen, und wir werden ihnen immer häufiger gegenüberstehen, wenn wir online kommunizieren. Sprachbarrieren werden fallen, jeder wird Zugang zu den besten Lehrern jedes Fachs haben, und immer mehr unserer Entscheidungen werden von KI gestützt.

Wir werden lernen müssen, eng mit KI zu leben, privat wie beruflich. Und wir müssen uns schon heute in beiden Bereichen darauf einstellen, uns an ein immer schneller veränderliches Umfeld anzupassen.

Viele Folgen dieser Entwicklung spüren wir schon heute. KI-Systeme beeinflussen unser Verhalten in den sozialen Medien, und bei Bildern und Videos fällt es uns schwer, echte Nachrichten von künstlich erzeugten Deepfakes zu unterscheiden. Bei einem Telefonat oder einer Videokonferenz können wir nicht mehr sicher sein, dass wir es mit einem echten Menschen zu tun haben. Texte entstehen zunehmend automatisch, was von Werbetextern, Lehrern und Juristen gleichermaßen neue Ansätze verlangt.

Mit immer besseren Systemen ist zu erwarten, dass sich immer mehr Berufe durch KI grundlegend verändern. Und dabei wird es zunehmend um komplexe und kreative Aufgaben gehen. Eine aktuelle Studie der Beratung Cognizant gemeinsam mit Oxford Economics schätzt, dass 90 % der Arbeitsplätze in den USA durch KI umgewälzt werden (https://www.cognizant.com/us/en/aem-i/generative-ai-economic-model-oxford-economics).

Weiter in die Zukunft geblickt, könnte KI jedoch noch größere Wirkung entfalten. In der Wissenschaft wird derzeit darüber gestritten, ob und wann KI die gesamte Breite menschlicher Intelligenz erreichen könnte – die sogenannte allgemeine Künstliche Intelligenz (Artificial General Intelligence, AGI). Die Technologie ließe sich dann für jede geistige Aufgabe des Menschen einsetzen. Die weitere Entwicklung könnte zur Superintelligenz (ASI) führen, also zu KI-Systemen, die uns auf allen Gebieten an Intelligenz übertreffen. Manche Fachleute halten es für möglich, dass dies eintritt, sobald KI-Systeme selbst noch bessere KI-Systeme erschaffen können, und dass sich dieser Vorgang dann exponentiell beschleunigt. Nach ihrer Auffassung hätten wir die Kontrolle über die Technologie dann vollständig verloren und wären überlegenen KI-„Wesen“ ausgeliefert.

Allgemeine Künstliche Intelligenz

Allgemeine Künstliche Intelligenz (AGI) bezeichnet eine Form der Künstlichen Intelligenz, die Wissen über ein breites Aufgabenfeld hinweg verstehen, erlernen und anwenden kann – auf einem Niveau, das dem eines Menschen entspricht. Anders als spezialisierte KI (narrow AI), die darauf ausgelegt ist, bestimmte Aufgaben fachkundig zu erledigen, kann AGI ihre Lern- und Schlussfolgerungsfähigkeit verallgemeinern und damit jedes Problem lösen, auch solche, für die sie nicht eigens programmiert wurde. AGI umfasst ein breites und bewegliches Spektrum kognitiver Fähigkeiten und kann damit jede geistige Aufgabe erfüllen, zu der ein Mensch fähig ist.

Künstliche Superintelligenz

Künstliche Superintelligenz (Artificial Superintelligence, ASI) bezeichnet eine hypothetische KI, die die menschliche Intelligenz auf allen Gebieten übertrifft, auch in Kreativität, allgemeiner Urteilskraft und Problemlösung. Anders als die allgemeine Künstliche Intelligenz (AGI), die die kognitiven Fähigkeiten des Menschen erreichen will, wäre ASI in der Lage, die geistige Leistung der besten menschlichen Köpfe in praktisch jeder Disziplin zu übertreffen – von der Forschung und der Erfindung bis zum sozialen Umgang und zum emotionalen Verständnis. Der Gedanke der ASI eröffnet Chancen und wirft zugleich erhebliche ethische und sicherheitsbezogene Fragen auf: Er könnte zu beispiellosen Fortschritten in Technik, Medizin und Wissenschaft führen, birgt aber auch existenzielle Risiken, wenn er nicht angemessen kontrolliert oder auf die Werte und Interessen des Menschen ausgerichtet wird.

Die Singularität

Die Singularität bezeichnet im Zusammenhang mit der KI-Entwicklung einen hypothetischen Zeitpunkt in der Zukunft, an dem die Künstliche Intelligenz (KI) so weit fortgeschritten ist, dass sie Maschinen hervorbringt, die klüger sind als der Mensch. Von diesem Moment an wird ein exponentielles technologisches Wachstum erwartet, das die menschliche Zivilisation in unabsehbarer Weise verändert. Der Gedanke besagt, dass sich KI nach der Singularität eigenständig und in immer kürzeren Abständen verbessern könnte, bis Maschinen mit übermenschlicher Intelligenz und übermenschlichen Fähigkeiten entstehen. Die Vorstellung der Singularität weckt Begeisterung und Sorge zugleich: Sie eröffnet die Möglichkeit, die drängendsten Probleme der Menschheit zu lösen, birgt aber auch erhebliche ethische, sicherheitsbezogene und existenzielle Risiken. Verbunden wird der Begriff vor allem mit Zukunftsforschern wie Ray Kurzweil, die dieses Ereignis noch im 21. Jahrhundert erwarten.

Der KI-Hype – warum gerade jetzt?

Wie im Artikel bereits erwähnt, wurde die jüngste Entwicklung der KI vor allem durch wachsende Rechenleistung, die Verfügbarkeit großer Datenmengen und neue KI-Konzepte beschleunigt.

Die Akzeptanz in der Öffentlichkeit und in den Unternehmen sollte man dabei jedoch nicht unterschätzen. Wir leben zunehmend in einer digitalen Welt, kommunizieren, arbeiten und kaufen online. Wir sind außerdem daran gewöhnt, immer schneller auf neue, noch bequemere Online-Dienste zuzugreifen, und erwarten in jedem Bereich individuelle und personalisierte Angebote. Das sind natürliche Einsatzfelder für die KI-Technologie, und deshalb nehmen wir sie mit offenen Armen auf.

Die wichtigsten Arten heutiger KI-Systeme

KI ist ein Sammelbegriff für viele Technologien. Dazu gehört zum Beispiel das maschinelle Lernen (Machine Learning), bei dem Entscheidungen automatisch, aber unter menschlicher Anleitung getroffen werden, und als dessen Unterform das Deep Learning, bei dem der Algorithmus selbst entscheidet, ob eine Vorhersage richtig oder falsch ist. Hier eine Liste der wichtigsten Arten von KI:

1) Systeme des maschinellen Lernens

Diese KI-Systeme lernen aus Daten, erkennen Muster und treffen Entscheidungen mit möglichst wenig menschlichem Eingriff. Maschinelles Lernen (ML) ist die Grundlage vieler moderner KI-Anwendungen, darunter Bild- und Spracherkennung, medizinische Diagnostik und der Börsenhandel. Dazu zählen Unterformen wie überwachtes Lernen (Supervised Learning), unüberwachtes Lernen (Unsupervised Learning) und bestärkendes Lernen (Reinforcement Learning).

2) Expertensysteme

Expertensysteme sollen die Entscheidungsfähigkeit eines menschlichen Experten nachbilden und ziehen ihre Schlüsse aus vorgegebenen Regeln und hinterlegtem Wissen. Eingesetzt werden sie in Fachgebieten wie der medizinischen Diagnostik, der Technik oder dem Finanzwesen, um auf Basis ihres umfangreichen Wissensbestands zu beraten, Daten zu deuten oder Probleme zu erkennen.

3) Deep Learning

Deep Learning ist eine Teilmenge des maschinellen Lernens und nutzt tiefe neuronale Netze, um komplexe Muster in großen Datenmengen abzubilden und zu erfassen. Indem sie über Schichten künstlicher Neuronen Aufbau und Arbeitsweise des menschlichen Gehirns nachahmen, können Deep-Learning-Algorithmen die für ihre Aufgabe wichtigen Merkmale selbstständig gewinnen und erlernen – etwa für die Bilderkennung oder die Verarbeitung natürlicher Sprache. Diese Technologie hat die KI erheblich vorangebracht: Maschinen erledigen damit ein breites Spektrum von Aufgaben mit wachsender Genauigkeit und Selbstständigkeit, ohne dass ihnen die Gewinnung und die Deutung der Merkmale ausdrücklich vorgegeben werden müssen.

4) Generative KI

Diese Art von KI erzeugt neue Inhalte wie Bilder, Texte, Musik und sogar Videos, die dem ähneln, was Menschen schaffen. Ein verbreiteter Ansatz sind Generative Adversarial Networks (GANs), bei denen zwei neuronale Netze gegeneinander antreten, um Qualität und Realitätsnähe des erzeugten Ergebnisses zu steigern. Angewendet wird das etwa in der Kunst oder bei der Erzeugung von Inhalten für Videospiele.

5) Verarbeitung natürlicher Sprache

Systeme zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) sollen menschliche Sprache auf nützliche Weise verstehen, deuten und erzeugen. Sie versetzen Computer in die Lage, Aufgaben wie Übersetzung, Stimmungsanalyse und Spracherkennung zu übernehmen. Chatbots und virtuelle Assistenten wie Siri und Alexa sind gängige Anwendungen von NLP.

6) Computer Vision

Diese KI-Technologie versetzt Maschinen in die Lage, visuelle Daten zu deuten und darauf gestützt zu entscheiden. Vom Erkennen von Gesichtern auf Fotos in sozialen Medien bis zu selbstfahrenden Wagen, die ihr Umfeld auswerten: Computer-Vision-Systeme kommen in der Sicherheitstechnik, im Handel, im Gesundheitswesen und in vielen weiteren Branchen zum Einsatz.

7) Robotic Process Automation

Techniken der Robotic Process Automation (RPA) automatisieren wiederkehrende Aufgaben, die sonst Menschen erledigen. Indem sie den Umgang des Menschen mit Software und Anwendungen nachbilden, kann RPA Abläufe in unterschiedlichen Bereichen automatisieren, etwa im Kundendienst oder bei der Dateneingabe, und dabei die Wirtschaftlichkeit erhöhen und Fehler verringern.

8) Cognitive Computing

Systeme des Cognitive Computing sollen menschliche Denkvorgänge in einem Rechnermodell nachbilden. Sie arbeiten mit selbstlernenden Algorithmen, die über Data Mining, Mustererkennung und die Verarbeitung natürlicher Sprache das menschliche Gehirn nachahmen. Ziel sind automatisierte IT-Systeme, die Probleme ohne menschliche Hilfe lösen.

Die heutigen Grenzen der KI

Trotz der raschen Fortschritte stoßen die heutigen KI-Systeme noch an mehrere erhebliche Grenzen, an deren Überwindung Forschung und Entwicklung arbeiten. Dazu gehören:

• Verallgemeinerung: KI-Systeme, vor allem solche auf Basis spezialisierter KI, tun sich schwer damit, Wissen von einem Gebiet auf ein anderes zu übertragen. Bei den Aufgaben, für die sie trainiert wurden, sind sie stark; außerhalb dieser Grenzen straucheln sie.
• Datenabhängigkeit: KI-Modelle brauchen, besonders beim maschinellen Lernen und beim Deep Learning, gewaltige Datenmengen, um zu lernen und treffsicher vorherzusagen. Qualität und Vielfalt dieser Daten sind entscheidend; schlechte Datenqualität führt zu verzerrten oder falschen Ergebnissen.
• Kontextverständnis: Der KI fehlt oft die Fähigkeit, Zusammenhang und Zwischentöne in menschlicher Sprache und im Umgang miteinander vollständig zu erfassen. Besonders deutlich wird diese Grenze bei Anwendungen zur Verarbeitung natürlicher Sprache, wo die Feinheiten menschlicher Verständigung verloren gehen oder falsch gedeutet werden.
• Kreativität und Innovation: KI kann zwar auf Basis vorhandener Muster neue Inhalte oder Lösungen erzeugen, doch ihre Fähigkeit, wirklich schöpferisch zu sein oder so zu erneuern wie der Mensch, ist begrenzt. Die „Kreativität“ der KI endet an den Daten und Algorithmen, mit denen sie in Berührung gekommen ist.
• Ethische und gesellschaftliche Bedenken: KI-Systeme können Verzerrungen aus ihren Trainingsdaten ungewollt fortschreiben und so zu unfairen oder unethischen Ergebnissen führen. Hinzu kommt, dass die durch KI wachsende Automatisierung Sorgen um wegfallende Arbeitsplätze und die Zukunft der Arbeit weckt.
• Energieverbrauch: Fortgeschrittene KI-Modelle, vor allem die im Deep Learning eingesetzten, brauchen erhebliche Rechenleistung und Energie und werfen damit Fragen nach ihren Folgen für die Umwelt auf.
• Interpretierbarkeit und Transparenz: Viele KI-Modelle, besonders die des Deep Learning, gelten als „Blackboxes“, weil ihre Entscheidungswege für Menschen nur schwer nachvollziehbar sind. Diese fehlende Transparenz kann dort zum Hindernis werden, wo es in kritischen Anwendungen darauf ankommt, die Schlussfolgerungen der KI zu verstehen.

Diese Grenzen zu überwinden ist ein Schwerpunkt der laufenden KI-Forschung. Ihr Ziel sind anpassungsfähigere, verlässlichere und transparentere KI-Systeme, die sich besser in menschliche Zusammenhänge und Gesellschaften einfügen.

Anwendungen der KI im Unternehmen

Früher oder später wird KI die meisten Bereiche Ihres Unternehmens beeinflussen. Je früher sich ein Unternehmen damit befasst, desto besser ist es auf den Wandel vorbereitet und desto größer sind die Aussichten, KI im Wettbewerb erfolgreich zu nutzen. Vor allem legt es damit frühzeitig die Grundlagen für den erfolgreichen Einsatz dieser Technologie. Auch wenn die Schwerpunkte je nach Branche und Einsatzgebiet der KI unterschiedlich liegen, sollten die folgenden Bestandteile bedacht werden:

• Klare Strategie und klare Ziele: Bevor ein Unternehmen KI einführt, sollte es seine strategischen Ziele klar vor Augen haben und wissen, wie KI zu deren Erreichung beitragen kann. Dazu gehört, konkrete Probleme zu benennen, die KI lösen kann, oder Bereiche, in denen sie Nutzen stiftet.
• Dateninfrastruktur: KI-Modelle brauchen große Datenmengen, um zu lernen und treffsicher vorherzusagen. Eine belastbare Dateninfrastruktur, die Qualität, Verfügbarkeit und Sicherheit dieser Daten gewährleistet, ist entscheidend. Unternehmen müssen in Systeme zur Erhebung, Speicherung und Verwaltung von Daten investieren.
• Fachkräfte und Fachwissen: Die richtigen Fachkräfte sind unverzichtbar, um KI-Lösungen zu entwickeln, einzuführen und zu betreiben. Dazu zählen nicht nur KI-Forscher und Data Scientists, sondern auch Fachleute, die den geschäftlichen Zusammenhang des Unternehmens kennen und mit den Technikern zusammenarbeiten können.
• Technische Infrastruktur: Ein wirksamer KI-Einsatz verlangt eine geeignete technische Infrastruktur, also Hardware und Software, die Entwicklung und Einbindung von KI in bestehende Systeme tragen. Cloud-Ressourcen und spezialisierte Hardware für die KI-Verarbeitung können dafür nötig sein.
• Ethische und rechtliche Erwägungen: Unternehmen müssen die ethischen Folgen der KI bedenken, darunter Datenschutz, Transparenz und Fairness. Ebenso wichtig ist die Einhaltung der geltenden Gesetze und Vorschriften zu Datenschutz und KI-Einsatz.
• Veränderungsmanagement und Schulung: KI erfolgreich in Geschäftsprozesse einzubinden verlangt oft Änderungen an Workflows und Rollen. Unternehmen müssen in Schulung und Veränderungsmanagement investieren, damit ihre eigenen Leute wirksam mit KI-Systemen arbeiten können.
• Skalierbarkeit und Wartung: KI-Systeme müssen sich skalieren lassen, um wachsende Datenmengen und Anwendungsfälle zu bewältigen. Regelmäßige Wartung und Aktualisierungen sind ebenso nötig, damit sie dauerhaft gute Leistung bringen.

Manche bekannten Strategieberatungen halten die Lerneffekte und den Aufbau der nötigen Infrastruktur für Grund genug, KI einzuführen, selbst wenn sie sich am Ende wirtschaftlich nicht rechnet. Diese Auffassung teile ich nicht. KI löst bei den Beschäftigten oft große Ängste aus und in der Führung Unsicherheit. Scheitert ein erstes KI-Projekt, weil seine Ziele zu hoch – oder zu naiv – gesteckt waren, kann das den internen Widerstand für lange Zeit stärken und ähnliche Vorhaben ausbremsen. Sind auch die Kunden enttäuscht, ist der Schaden noch größer. Ist ein Projekt dagegen gut vorbereitet und erfolgreich, steht einer KI-freundlichen Weiterentwicklung nichts im Weg.

Es gibt gleichwohl Wege, mit vergleichsweise geringem Aufwand und Risiko erste Erfahrungen zu sammeln und den Erfolg zu erproben, etwa in der Zusammenarbeit mit externen Anbietern, die leicht einzurichtende KI-Plattformen bereitstellen. Auf diesem Weg lassen sich die ersten Schritte gehen, ohne sofort viel KI-Fachwissen im eigenen Haus aufzubauen.

Wenn Sie den möglichen Nutzen von KI für ein Unternehmen untersuchen – das wird der Schwerpunkt eines der nächsten Artikel sein –, sollten Sie die denkbaren Einsatzfelder mit den Eigenschaften solcher Systeme abgleichen: Bringen bessere Vorhersagen einen spürbaren Nutzen? Lässt sich die Technologie gut in die vorhandene Infrastruktur und Organisation einfügen? Gibt es Abläufe, die sich leicht automatisieren lassen? Passt die Technologie zur Innovationsstrategie des Unternehmens? 

Risiken der KI und ethische Erwägungen im Unternehmen

Ihr Einsatz von KI im Unternehmen, ob für interne Abläufe oder gegenüber Kunden, ist naturgemäß nicht ohne Risiko. Die Risiken hängen unter anderem von der eingesetzten KI-Technologie ab. Da KI-Systeme in der Regel dynamisch sind und sich mit der Zeit verändern – etwa durch wiederholtes Training mit neuen Daten –, sollten geeignete Strukturen für das Risikomanagement bestehen.

Als wichtigste Risiken von KI-Systemen in Unternehmen werden häufig genannt: der Datenschutz, also der Umgang mit vertraulichen Daten; die Verzerrung (Bias), also verfälschte Ergebnisse, meist durch unvollständige oder unausgewogene Trainingsdaten; und die fehlende Nachvollziehbarkeit von Entscheidungen, die eine KI hervorbringt – vor allem bei selbstlernenden Algorithmen wie im Deep Learning. Es gibt jedoch viele weitere Risiken, die bedacht werden sollten, und da sie vom Unternehmen, vom Einsatzgebiet und von der Technologie abhängen, kann die folgende Liste nicht vollständig sein:

• Datenschutz und Datensicherheit: KI-Systeme stützen sich stark auf Daten; das weckt Sorgen vor Datenschutzverstößen und unbefugtem Zugriff. Werden empfindliche Informationen nicht ausreichend geschützt, können sie offengelegt werden.
• Verzerrung und Fairness: Sind die Daten, mit denen ein KI-Modell trainiert wird, verzerrt, können auch die Entscheidungen des Systems verzerrt sein und zu unfairen Ergebnissen oder zu Diskriminierung führen. Das kann dem Ruf eines Unternehmens schaden und rechtliche Folgen haben. Die Trainingsdaten müssen deshalb regelmäßig überprüft werden.
• Fehlende Transparenz und Erklärbarkeit: Viele KI-Modelle, vor allem Deep-Learning-Algorithmen, gelten als „Blackboxes“, deren Entscheidungswege sich nur schwer nachvollziehen lassen. Diese fehlende Transparenz kann das Vertrauen von Anwendern und Stakeholdern beschädigen.
• Abhängigkeit und übermäßiges Vertrauen: Verlässt sich ein Unternehmen zu sehr auf KI-Systeme, wird es verwundbar, sobald diese Systeme ausfallen oder die Daten beschädigt werden, aus denen sie sich speisen. Kritische Entscheidungswege können zu stark von KI abhängen, was zu Aufsichtsversagen führen kann.
• Regulatorische Risiken und Compliance-Risiken: Da Regierungen und Aufsichtsbehörden neue Vorschriften für KI und Datennutzung erlassen, müssen Unternehmen sicherstellen, dass ihre KI-Systeme diesen genügen. Verstöße können rechtliche Strafen und Ansehensverlust nach sich ziehen.
• Herausforderungen bei der Einbindung: KI-Systeme in eine vorhandene IT-Infrastruktur einzubinden kann aufwendig und teuer sein und zu Störungen im Betrieb sowie zu Verträglichkeitsproblemen führen.
• Betriebliche Risiken: KI-Modelle können schlechte Leistung bringen, wenn sie auf Daten oder Lagen treffen, die deutlich von ihren Trainingsdaten abweichen. Falsche Vorhersagen oder Entscheidungen können dann den Geschäftsbetrieb beeinträchtigen.
• Risiken beim geistigen Eigentum: Wer KI-Modelle oder Algorithmen Dritter nutzt, muss Schutzrechte, Lizenzen und mögliche Nutzungsbeschränkungen im Blick behalten; sie können Innovation und Wettbewerbsvorteile beeinträchtigen.
• Wirtschaftliche und finanzielle Risiken: Investitionen in KI-Systeme können erheblich sein, ohne dass eine Rendite gesichert wäre. Fehleinschätzungen beim Einsatz von KI führen zu finanziellen Verlusten und zu vergeudeten Mitteln.

Darüber hinaus verlangt der Einsatz von KI ein Bewusstsein für ethische Fragen gegenüber Beschäftigten, Kunden und der Umwelt. Hier die wichtigsten, wobei die ersten drei der Vollständigkeit halber wiederholt werden:

• Datenschutz: KI-Systeme verarbeiten oft gewaltige Mengen personenbezogener Daten, was Sorgen um die Privatsphäre der Nutzer weckt. Unternehmen müssen sicherstellen, dass Daten so erhoben, gespeichert und genutzt werden, dass die Regeln der Privatsphäre gewahrt bleiben und die Datenschutzvorschriften eingehalten werden.
• Verzerrung und Fairness: KI-Algorithmen können Verzerrungen aus ihren Trainingsdaten fortschreiben oder sogar verstärken und damit Einzelne oder Gruppen unfair behandeln. KI-Systeme so zu entwickeln und einzusetzen, dass Verzerrungen möglichst gering bleiben und Fairness gefördert wird, ist eine zentrale ethische Aufgabe.
• Transparenz und Erklärbarkeit: Es wird zunehmend verlangt, dass KI-Systeme transparent und ihre Entscheidungen erklärbar sind, besonders in kritischen Anwendungen, die in das Leben von Menschen eingreifen. Unternehmen müssen die Vielschichtigkeit von KI-Modellen gegen die Forderung abwägen, dass Anwender und Stakeholder sie verstehen können.
• Rechenschaft und Verantwortung: Zu bestimmen, wer für die Entscheidungen eines KI-Systems einzustehen hat, ist oft schwierig. Unternehmen sollten klare Regeln zur Verantwortung festlegen, vor allem dort, wo KI-gestützte Entscheidungen erhebliche Folgen haben können.
• Sicherheit: KI-Systeme sind für verschiedene Sicherheitsbedrohungen anfällig, darunter Datenabflüsse und gezielte Täuschungsangriffe. Die Sicherheit von KI-Systemen zu gewährleisten und damit empfindliche Daten und Infrastruktur zu schützen, ist ethisch wie betrieblich unverzichtbar.
• Wegfall von Arbeitsplätzen: Die Automatisierung von Aufgaben, die bisher Menschen erledigt haben, weckt Sorgen um wegfallende Arbeitsplätze und die Zukunft der Arbeit. Unternehmen sollten die gesellschaftlichen Folgen eines KI-Einsatzes bedenken und Wege suchen, negative Auswirkungen auf die Beschäftigung abzumildern.
• Informierte Einwilligung: Wo KI in Zusammenhängen eingesetzt wird, die Menschen betreffen, etwa Kunden oder Beschäftigte, ist die informierte Einwilligung entscheidend. Die Betroffenen sollten wissen, wie KI eingesetzt wird und was das für ihre Daten und ihre Privatsphäre bedeutet.
• Gesellschaftliche Wirkung: Über die unmittelbaren geschäftlichen Fragen hinaus sollten Unternehmen die weitergehende Wirkung ihrer KI-Anwendungen auf die Gesellschaft bedenken. Dazu gehört, dass sie gesellschaftliche Ungleichheiten verstärken oder demokratische Abläufe beeinflussen können.
• Wirkung auf die Umwelt: Der Energieverbrauch für das Training großer KI-Modelle hinterlässt einen erheblichen ökologischen Fußabdruck. Ein ethischer Umgang mit KI heißt, diese Folgen für die Umwelt zu bedenken und abzumildern.

Diesen ethischen Fragen zu begegnen verlangt einen vielschichtigen Ansatz: ethische Leitlinien, die Einbindung der Stakeholder, Transparenz bei Entwicklung und Einführung von KI und die Einhaltung der geltenden Gesetze und Vorschriften. Dazu gehört auch die Bereitschaft, fortlaufend zu lernen und sich anzupassen, während sich die KI-Technologien und ihre gesellschaftlichen Folgen weiterentwickeln.

Wo anfangen?

So dringend es für Unternehmen ist, sich mit diesem Thema zu befassen – die Aufgabe kann erdrückend wirken. Erkenntnisse aus Artikeln wie diesem – und aus den folgenden – zu ziehen ist sicher ein guter Rat. Auch ein KI-Zertifikat bei einem der vielen Anbieter zu erwerben ist gut angelegte Zeit, sofern Sie sie erübrigen können.

Aus Sicht der Geschäftsentwicklung ist es allerdings besser, mit Fachleuten zu arbeiten – mit uns zum Beispiel. Dafür haben wir ein eigenes Angebot entworfen, das innerhalb von sieben Tagen viel praktisches Wissen vermittelt und die wichtigsten Grundlagen für eine belastbare KI-Strategie legt, gestützt auf Erfahrung aus der Praxis:

Erwähnt sei außerdem, dass jeder Einsatz von KI mit der Qualität der verfügbaren Daten steht und fällt. Eine belastbare Datenstrategie zu entwickeln ist daher meist der erste Schritt und sollte unabhängig vom Einsatz der KI angegangen werden. Auch dabei helfen wir Ihnen gern.

Fazit

Dieser Artikel hat die Anfänge und die Entwicklung der KI betrachtet, einen Überblick über den heutigen Stand der Technologie gegeben und einen Blick in die Zukunft gewagt. Auch wenn die Wirkung auf die Gesellschaft insgesamt beträchtlich ist, haben wir uns hier auf die Wirkung für Unternehmen konzentriert, auf die Chancen, aber auch auf die Risiken, die zu bedenken sind. Und zum Schluss haben wir betont, wie wichtig es ist, sich frühzeitig mit dem Thema zu befassen.

KI gehört zu unserer Gesellschaft und zu unserer Wirtschaft, und sie wird es auf Dauer bleiben. Nur Unternehmen, die sich darauf einlassen, werden langfristig bestehen können.

Um eine unbekannte Quelle zu zitieren: Der beste Zeitpunkt anzufangen war gestern, der zweitbeste ist heute.